1.一种复杂地质钻进过程地层岩性智能识别方法,其特征在于,包括以下步骤:S1.采集测井数据,对获得的测井数据进行分析,选出与岩性紧密相关的数据,运用小波去噪技术获得去噪后的样本数据集;
S2.在获得样本数据集的基础上进行归一化处理,建立ECOC编码矩阵,并利用并发删减算法删减ECOC编码矩阵;
S3.基于步骤S2得到的ECOC编码矩阵,利用核Fisher线性判别作为基分类器对岩性进行分类,并利用蝙蝠优化算法优化基分类器的核参数及阈值参数;
S4.通过汉明距离解码完成最终的岩性类别输出。
2.根据权利要求1所述的复杂地质钻进过程地层岩性智能识别方法,其特征在于,所述步骤S1中,与岩性紧密相关的数据包括密度测井、声波测井、自然电位测井、深、浅三侧向测井、微电位与微梯度。
3.根据权利要求1所述的复杂地质钻进过程地层岩性智能识别方法,其特征在于,所述步骤S2中,归一化处理的公式为:式中:xmax与xmin分别为特征数据的最大值与最小值,特征数据是与岩性紧密相关的数据,xnorm为归一化之后的值,xnorm∈[0,1]。
4.根据权利要求1所述的复杂地质钻进过程地层岩性智能识别方法,其特征在于,所述步骤S3中,具体包括以下步骤:S3.1.核fisher基分类器选择高斯核,利用蝙蝠优化算法,以Gmean值为适应度函数根据下面的公式优化每一个核fisher基分类器的核参数K;
Gmean=(TP/(TP+FN)×TN/(TN+FP))1/2K=exp{||x-xc||^2/(2*δ^2}
式中:TP,FP,FN,TN分别代表正类正确分类数量,预测为正类但是真实为负类,预测为负类但是真实为正类,负类正确分类数量,x为空间中某一点,xc为核函数中心,δ为函数的宽度参数;
S3.2.根据下面的公式,利用蝙蝠优化算法,以Gmean值为适应度函数优化阈值参数λ;
μ=λ×m1+(1-λ)×m2
式中:m1和m2是ECOC-核fisher编码后分成两类的投影后的平均值,如果阈值参数λ发生变化,阈值μ会在mean1与mean2间移动。
5.根据权利要求1所述的复杂地质钻进过程地层岩性智能识别方法,其特征在于,所述步骤S4中,具体包括以下步骤:S4.1.根据如下公式计算ECOC简化编码与预测值之间的汉明距离;
式中:x,y分别是ECOC矩阵的编码及预测值,i为ECOC编码的第i位,表示抑或;
S4.2.搜索H的最小值所对应的行数,即预测的岩性标签。